[论文解读] SensorX2car: Sensors-to-car calibration for autonomous driving in road scenarios

Guohang Yan, Zhaotong Luo+2 more|arXiv (Cornell University)|Jan 18, 2023

Robotics and Sensor-Based Localization被引用 4

一句话总结

SensorX2car 首次推出面向自动驾驶的在线、无目标传感器到车辆标定的开源工具箱，通过使用传感器特定的图案——图像特征、三维点、姿态解算结果和雷达速度——实现相机、激光雷达、GNSS/INS 和毫米波雷达相对于车辆本体坐标系的精确标定，仅需正常驾驶几分钟即可达到亚度级精度。

ABSTRACT

Properly-calibrated sensors are the prerequisite for a dependable autonomous driving system. However, most prior methods focus on extrinsic calibration between sensors, and few focus on the misalignment between the sensors and the vehicle coordinate system. Existing targetless approaches rely on specific prior knowledge, such as driving routes and road features, to handle this misalignment. This work removes these limitations and proposes more general calibration methods for four commonly used sensors: Camera, LiDAR, GNSS/INS, and millimeter-wave Radar. By utilizing sensor-specific patterns: image feature, 3D LiDAR points, GNSS/INS solved pose, and radar speed, we design four corresponding methods to mainly calibrate the rotation from sensor to car during normal driving within minutes, composing a toolbox named SensorX2car. Real-world and simulated experiments demonstrate the practicality of our proposed methods. Meanwhile, the related codes have been open-sourced to benefit the community. To the best of our knowledge, SensorX2car is the first open-source sensor-to-car calibration toolbox. The code is available at https://github.com/OpenCalib/SensorX2car.

研究动机与目标

• 解决真实驾驶场景中传感器到车辆外参（尤其是旋转）缺乏通用、在线标定方法的问题。
• 克服以往方法依赖特定道路特征、车道线或受控环境的局限性。
• 开发一种实用且易于访问的标定方案，可在无需特殊标记或设施的情况下适配多种驾驶路线。
• 仅利用正常运行期间采集的数据，实现对相机、激光雷达、GNSS/INS 和雷达这四种关键传感器的可靠、可重复标定。
• 提供开源工具箱，以支持社区采纳并推动自动驾驶传感器标定领域的进一步研究。

提出的方法

• 对于相机标定，使用深度学习网络从单张图像中预测消失点和地平线线，将其转换为相对于车辆坐标系的横滚、俯仰和偏航角。
• 对于激光雷达，通过SLAM估计6-DoF位姿，并通过平均车辆前进方向与激光雷达前进方向之间的偏航差来校准旋转，俯仰和横滚则通过地面平面提取获得。
• 对于GNSS/INS，利用集成的6-DoF位姿估计相对于车辆的偏航角，假设车辆轨迹与航向方向一致。
• 对于雷达，通过拟合测量目标速度与车辆速度之间关系的余弦曲线来校准偏航角，通过引入位置信息提升鲁棒性以降低噪声。
• 随时间累积数据并过滤异常值，以提高一致性，尤其针对受转向动态影响较大的横滚和俯仰角。
• 应用基于轨迹的假设来估计车辆到世界坐标系的朝向，从而实现传感器到世界坐标系的旋转转换为传感器到车辆坐标系的旋转。

实验结果

研究问题

• RQ1 是否可以不依赖车道线或人工标记等特定道路特征，实现传感器到车辆的标定？
• RQ2 能否仅使用传感器固有特征模式和正常驾驶数据，设计适用于相机、激光雷达、GNSS/INS 和雷达的在线标定方法？
• RQ3 利用传感器特有的信号特征，能否从真实驾驶数据中准确估计旋转参数（偏航、俯仰、横滚）？
• RQ4 在不同驾驶条件和路线下的标定结果是否具备一致性和鲁棒性？
• RQ5 能否构建一个统一的开源工具箱，以支持真实自动驾驶系统中多种传感器类型的传感器到车辆标定？

主要发现

• 相机标定方法在基于KITTI数据集训练的深度学习模型下，实现了横滚、俯仰和偏航估计的亚度级精度，偏航和俯仰的标准差分别为0.1°，横滚为0.5°。
• 激光雷达标定在所有驾驶路段中偏航和俯仰的标准差约为0.1°，在直线行驶路段降至0.1°，横滚标准差为0.5°，主要受转弯时车辆倾斜影响。
• GNSS/INS标定结果显示，各序列中偏航角波动范围约为0.1°至0.2°，车辆与IMU偏航角趋势一致。
• 利用仿真数据进行雷达标定，绝对误差低于0.1°；真实数据在引入位置信息后，噪声显著降低，直线段波动范围缩小至0.3°–0.4°。
• 通过标准差和分布分析，验证了在四个数据时段内整体标定的一致性，确认了方法的鲁棒性和可靠性。
• 开源工具箱SensorX2car（网址：https://github.com/OpenCalib/SensorX2car）可在无需路线或特征限制的情况下，实现多种驾驶场景下的实用、通用标定。